文獻(xiàn)標(biāo)識(shí)碼：B文章編號(hào)：1003-0492（2024）11-073-05中圖分類號(hào)：TP309

★許愛國(guó)（山西離柳焦煤集團(tuán)有限公司，山西呂梁033000）

關(guān)鍵詞：文本挖掘；煤礦安全；風(fēng)險(xiǎn)識(shí)別；風(fēng)險(xiǎn)評(píng)價(jià)

煤礦行業(yè)由于作業(yè)環(huán)境的復(fù)雜性和潛在的高風(fēng)險(xiǎn)性，其安全事故的預(yù)防與風(fēng)險(xiǎn)管理一直是研究和實(shí)踐的重要課題。隨著信息技術(shù)的發(fā)展，文本挖掘技術(shù)已被廣泛應(yīng)用于各種領(lǐng)域的數(shù)據(jù)分析中，為安全風(fēng)險(xiǎn)評(píng)估提供了新的方法和視角。本研究的目的是探索文本挖掘技術(shù)在煤礦安全風(fēng)險(xiǎn)識(shí)別與評(píng)價(jià)中的應(yīng)用，并通過分析歷史事故報(bào)告和實(shí)時(shí)數(shù)據(jù)，構(gòu)建一個(gè)能夠動(dòng)態(tài)評(píng)估和預(yù)測(cè)煤礦安全風(fēng)險(xiǎn)的模型，旨在提高煤礦安全管理的預(yù)防效率和準(zhǔn)確性，從而降低事故發(fā)生率，保障礦工安全。

1　基于文本挖掘煤礦安全風(fēng)險(xiǎn)識(shí)別

1.1　文本挖掘技術(shù)及基本流程

文本挖掘技術(shù)涵蓋了將大量非結(jié)構(gòu)化文本數(shù)據(jù)轉(zhuǎn)化為有價(jià)值知識(shí)的過程，不僅包含數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)等技術(shù)，還融合了數(shù)據(jù)庫(kù)管理、文本處理與統(tǒng)計(jì)分析等多領(lǐng)域知識(shí)。這種轉(zhuǎn)化不是通過提取精確數(shù)據(jù)完成，而是通過識(shí)別文本中的概念、規(guī)律和模式，這些通常以定性的規(guī)則表現(xiàn)，形式多樣。該技術(shù)的實(shí)施流程始于文本數(shù)據(jù)的收集，這包括從各種電子和印刷源中獲取信息。收集后的數(shù)據(jù)需通過預(yù)處理步驟，如文本清洗和標(biāo)準(zhǔn)化，以剔除噪聲和準(zhǔn)備數(shù)據(jù)進(jìn)行深入分析。預(yù)處理的一個(gè)重要環(huán)節(jié)是文本碎片化，通過這一過程，大型文本被分解為更易于分析的小段。接下來，采用各種降維技術(shù)來消除語(yǔ)料庫(kù)中的冗余信息，保持信息的價(jià)值密度。這一步驟關(guān)鍵是保證數(shù)據(jù)的質(zhì)量和相關(guān)性，以便在后續(xù)的分析中能夠提取出有用的知識(shí)。之后，通過關(guān)鍵詞提取、聚類分析和數(shù)據(jù)挖掘技術(shù)，從處理過的文本中識(shí)別出重要的信息和模式。最后一步是結(jié)果的可視化，這一步驟使分析結(jié)果更加直觀，便于解讀和展示?？梢暬粌H幫助研究人員理解數(shù)據(jù)模式，也使得非專業(yè)人士能夠理解復(fù)雜的分析結(jié)果。通過這些步驟，文本挖掘技術(shù)使研究人員能夠從龐大的文本集合中發(fā)現(xiàn)有價(jià)值的知識(shí)，進(jìn)而支持決策制定和新知識(shí)的創(chuàng)建。具體流程如圖1所示。

圖1 文本挖掘基本流程

1.2　相關(guān)詞語(yǔ)挖掘中文文本挖掘流程設(shè)計(jì)

針對(duì)中文文本挖掘在煤礦安全風(fēng)險(xiǎn)識(shí)別中的應(yīng)用，本研究設(shè)計(jì)了一套優(yōu)化流程，以提高信息提取的準(zhǔn)確性和效率如圖2所示。首要步驟為中文分詞，這一過程對(duì)于分析結(jié)構(gòu)復(fù)雜的中文文本至關(guān)重要。中文分詞技術(shù)通過算法將連續(xù)的文本字符串切分為獨(dú)立可識(shí)別的詞匯單元，是后續(xù)文本分析的基礎(chǔ)。隨后，關(guān)鍵詞提取環(huán)節(jié)對(duì)識(shí)別文本中的中心思想和主題信息發(fā)揮核心作用。此步驟運(yùn)用統(tǒng)計(jì)學(xué)方法和自然語(yǔ)言處理技術(shù)，從分詞結(jié)果中篩選出攜帶信息量大的詞匯，為理解文本內(nèi)容提供關(guān)鍵線索。在關(guān)鍵詞基礎(chǔ)上，進(jìn)一步執(zhí)行相關(guān)詞語(yǔ)挖掘。該過程不僅識(shí)別語(yǔ)義上接近的詞語(yǔ)，還包括風(fēng)險(xiǎn)評(píng)估中常見的變體和同義表達(dá)，增強(qiáng)了模型對(duì)風(fēng)險(xiǎn)因素多樣表述的適應(yīng)能力。相關(guān)詞語(yǔ)挖掘的算法復(fù)雜，涉及語(yǔ)義相似度計(jì)算，能夠有效地從大量數(shù)據(jù)中找出潛在的聯(lián)系。

圖2 改進(jìn)的文本挖掘流程

此外，相關(guān)詞語(yǔ)語(yǔ)義分析進(jìn)一步深化了對(duì)詞匯含義及其相互關(guān)系的理解。通過構(gòu)建詞語(yǔ)間的語(yǔ)義網(wǎng)絡(luò)，可以揭示不同詞語(yǔ)在特定語(yǔ)境中的意義變化，以及它們與煤礦安全相關(guān)性的強(qiáng)度。此環(huán)節(jié)對(duì)于準(zhǔn)確識(shí)別風(fēng)險(xiǎn)因素至關(guān)重要，因?yàn)樵S多安全風(fēng)險(xiǎn)因素在不同文本中可能會(huì)以不同方式表述。最終，事故風(fēng)險(xiǎn)致因成分的聚合將所有分析數(shù)據(jù)綜合考量，通過聚類算法將相似的風(fēng)險(xiǎn)因素歸類，形成清晰的風(fēng)險(xiǎn)類別。該步驟不僅整合了單一風(fēng)險(xiǎn)因素，也使得整體風(fēng)險(xiǎn)評(píng)估更加系統(tǒng)化，為后續(xù)的安全管理提供了科學(xué)的決策支持。

1.3　煤礦安全事故案例文本挖掘與風(fēng)險(xiǎn)因素識(shí)別

煤礦安全事故案例文本挖掘與風(fēng)險(xiǎn)因素識(shí)別是識(shí)別潛在礦山危險(xiǎn)的關(guān)鍵步驟，涉及從歷史事故報(bào)告中提取和分析數(shù)據(jù)，以建立風(fēng)險(xiǎn)模型和預(yù)防策略。本節(jié)詳細(xì)介紹了通過文本挖掘技術(shù)分析煤礦安全事故案例，并識(shí)別關(guān)鍵的風(fēng)險(xiǎn)因素的方法。（1）通過自然語(yǔ)言處理（NLP）技術(shù)，對(duì)事故文本進(jìn)行語(yǔ)言預(yù)處理，包括去除停用詞、標(biāo)點(diǎn)符號(hào)，以及進(jìn)行詞性標(biāo)注和詞根還原。這些步驟清洗數(shù)據(jù)，為更深入的文本分析準(zhǔn)備文本結(jié)構(gòu)。（2）實(shí)施文本分詞，特別是針對(duì)中文文本，需要準(zhǔn)確地將連續(xù)的字符流分割成有意義的詞語(yǔ)單元。中文分詞采用基于統(tǒng)計(jì)的模型如雙向最大匹配法（BiMM），能夠有效地處理中文的分詞問題。在關(guān)鍵詞提取環(huán)節(jié)應(yīng)用TF-IDF（TermFrequencyInverseDocumentFrequency）公式，計(jì)算每個(gè)詞在事故報(bào)告中的權(quán)重：

TF-IDF（t,d）=TF（t,d）×IDF（t）

其中TF是詞t在文檔d中的頻率，IDF是逆文檔頻率，用于降低常見詞的權(quán)重。通過TF-IDF分析，可以識(shí)別出文本中重要的風(fēng)險(xiǎn)描述詞。文本中識(shí)別的關(guān)鍵詞進(jìn)一步通過潛在語(yǔ)義分析（LSA）進(jìn)行處理，以揭示詞語(yǔ)之間的隱含關(guān)系。LSA通過構(gòu)建詞項(xiàng)-文檔矩陣，應(yīng)用奇異值分解（SVD），提取主題和概念，進(jìn)一步理解詞語(yǔ)間的深層語(yǔ)義聯(lián)系。

2　煤礦安全風(fēng)險(xiǎn)因素重要性與關(guān)聯(lián)性分析

2.1　煤礦安全風(fēng)險(xiǎn)因素關(guān)聯(lián)規(guī)則挖掘步驟

在煤礦安全事故的研究中，關(guān)聯(lián)規(guī)則挖掘技術(shù)是分析事故數(shù)據(jù)中風(fēng)險(xiǎn)因素的關(guān)鍵工具，能夠揭示各種風(fēng)險(xiǎn)因素之間的潛在聯(lián)系及其對(duì)事故發(fā)生的影響。本研究基于文本挖掘識(shí)別的煤礦安全事故風(fēng)險(xiǎn)因素，采用Apriori算法對(duì)事故數(shù)據(jù)進(jìn)行深入分析，以識(shí)別風(fēng)險(xiǎn)因素之間的強(qiáng)關(guān)聯(lián)規(guī)則，具體步驟如下：（1）構(gòu)建煤礦安全事故數(shù)據(jù)庫(kù)DB；（2）設(shè)定最小支持度閾值Minsup；（3）通過設(shè)置最小置信度閾值Minconf，從頻繁項(xiàng)集中導(dǎo)出所有滿足最小置信度要求的強(qiáng)關(guān)聯(lián)規(guī)則；（4）進(jìn)行關(guān)聯(lián)規(guī)則的優(yōu)化處理，移除那些提升度Lift不大于1的關(guān)聯(lián)規(guī)則；（5）結(jié)合領(lǐng)域?qū)＜业慕?jīng)驗(yàn)和安全管理實(shí)踐，對(duì)挖掘出的關(guān)聯(lián)規(guī)則進(jìn)行深入解讀和分析。Apriori關(guān)聯(lián)規(guī)則算法操作流程如圖3所示。

.

圖3 Apriori關(guān)聯(lián)規(guī)則算法操作流程

2.2　基于Apriori算法的煤礦安全風(fēng)險(xiǎn)因素關(guān)聯(lián)規(guī)則挖掘

2.2.1　數(shù)據(jù)來源

在本研究中，數(shù)據(jù)來源是通過文本挖掘技術(shù)分析的800份煤礦事故報(bào)告，這些報(bào)告由國(guó)家煤礦安全監(jiān)察局和相關(guān)礦區(qū)提供，涵蓋了過去十年內(nèi)發(fā)生的各類事故。通過自然語(yǔ)言處理技術(shù)，將非結(jié)構(gòu)化的事故報(bào)告文本轉(zhuǎn)換為結(jié)構(gòu)化數(shù)據(jù)，形成了煤礦事故風(fēng)險(xiǎn)致因信息布爾數(shù)據(jù)集。此數(shù)據(jù)集不僅記錄了每份報(bào)告的基本信息，還詳細(xì)標(biāo)注了事故中出現(xiàn)的各種風(fēng)險(xiǎn)因素，如操作失誤、設(shè)備故障、監(jiān)管不力等，并將這些因素轉(zhuǎn)化為布爾值（出現(xiàn)為1，未出現(xiàn)為0）。具體數(shù)據(jù)結(jié)構(gòu)如表1所示，每列代表一種風(fēng)險(xiǎn)因素，每行代表一份事故報(bào)告，數(shù)據(jù)表中的值表示相應(yīng)風(fēng)險(xiǎn)因素是否被報(bào)告中提及。

表1 關(guān)聯(lián)規(guī)則挖掘基礎(chǔ)數(shù)據(jù)集

每項(xiàng)數(shù)據(jù)的采集和處理都經(jīng)過嚴(yán)格的驗(yàn)證和審查，確保數(shù)據(jù)的準(zhǔn)確性和可靠性。通過對(duì)這些結(jié)構(gòu)化數(shù)據(jù)的分析，本研究旨在應(yīng)用Apriori算法挖掘出事故風(fēng)險(xiǎn)因素之間的關(guān)聯(lián)規(guī)則，以揭示不同風(fēng)險(xiǎn)因素如何組合影響事故的發(fā)生，從而為煤礦安全管理提供科學(xué)的預(yù)防策略。

2.2.2　安全風(fēng)險(xiǎn)因素關(guān)聯(lián)規(guī)則挖掘

Apriori算法是一種常用的關(guān)聯(lián)規(guī)則挖掘算法，主要用于發(fā)現(xiàn)頻繁項(xiàng)集并從中生成強(qiáng)關(guān)聯(lián)規(guī)則。首先，設(shè)定最小支持度（Minsup）和最小置信度（Minconf）閾值。在本研究中，設(shè)定Minsup為5%（即項(xiàng)集在所有事故報(bào)告中至少出現(xiàn)5%），Minconf設(shè)為60%，意味著只考慮置信度至少為60%的規(guī)則。數(shù)據(jù)表格如表2所示，包含五種主要風(fēng)險(xiǎn)因素：操作失誤（A）、設(shè)備故障（B）、監(jiān)管不力（C）、環(huán)境因素（D）和安全培訓(xùn)缺失（E）。表格中的1表示該風(fēng)險(xiǎn)因素在對(duì)應(yīng)的事故報(bào)告中出現(xiàn)，0則表示未出現(xiàn)。

表2 關(guān)聯(lián)規(guī)則挖掘數(shù)據(jù)表

數(shù)據(jù)挖掘過程分為以下步驟：（1）生成頻繁項(xiàng)集：利用Apriori算法首先生成頻繁1-項(xiàng)集，例如，{A},{B},{C}等。根據(jù)設(shè)定的Minsup計(jì)算每個(gè)項(xiàng)集在數(shù)據(jù)庫(kù)中的支持度。例如，計(jì)算項(xiàng)集{A}的支持度即計(jì)算包含A的報(bào)告數(shù)量占總報(bào)告數(shù)量的比例。然后，算法逐步通過自我結(jié)合生成頻繁2-項(xiàng)集、3-項(xiàng)集等，如{A,B},{A,C},{A,B,C}等，并同樣計(jì)算這些項(xiàng)集的支持度，只保留滿足最小支持度的項(xiàng)集。（2）導(dǎo)出關(guān)聯(lián)規(guī)則：從頻繁項(xiàng)集中導(dǎo)出關(guān)聯(lián)規(guī)則，并計(jì)算每條規(guī)則的置信度。例如，從頻繁項(xiàng)集{A,B}中可以導(dǎo)出規(guī)則A→B（如果發(fā)生A，則會(huì)發(fā)生B）。

2.3　煤礦安全主要風(fēng)險(xiǎn)因素及其關(guān)聯(lián)因素分析

煤礦安全的研究中，識(shí)別主要風(fēng)險(xiǎn)因素及其關(guān)聯(lián)因素是評(píng)估和預(yù)防事故的關(guān)鍵。本節(jié)基于對(duì)800份煤礦事故報(bào)告的文本挖掘分析，識(shí)別出以下主要風(fēng)險(xiǎn)因素：操作失誤、設(shè)備故障、監(jiān)管不力、環(huán)境因素和安全培訓(xùn)缺失；進(jìn)一步的關(guān)聯(lián)分析揭示了這些因素之間的相互作用，對(duì)事故的綜合影響提供了深入的見解。表3中列出了這些主要風(fēng)險(xiǎn)因素以及在事故報(bào)告中的出現(xiàn)頻率，以及通過關(guān)聯(lián)規(guī)則分析得到的關(guān)聯(lián)因素強(qiáng)度。

表3 主要風(fēng)險(xiǎn)因素及出現(xiàn)頻率

操作失誤與設(shè)備故障之間存在顯著的關(guān)聯(lián)，分析表明操作不當(dāng)往往會(huì)導(dǎo)致設(shè)備出現(xiàn)故障或故障情況加劇。此外，監(jiān)管不力與安全培訓(xùn)缺失之間的關(guān)聯(lián)度最高，表明監(jiān)管層次的不到位與員工培訓(xùn)不充分密切相關(guān)，這兩個(gè)因素共同作用顯著增加了煤礦安全事故的風(fēng)險(xiǎn)。此分析基于Apriori算法對(duì)事故數(shù)據(jù)集進(jìn)行挖掘得到的關(guān)聯(lián)規(guī)則，其中關(guān)聯(lián)強(qiáng)度表示為提升度，提升度大于1表示有正相關(guān)性。通過這種方法，不僅能識(shí)別單一風(fēng)險(xiǎn)因素，還能深入理解多種因素的相互作用，為制定針對(duì)性的預(yù)防措施提供了科學(xué)依據(jù)。這種綜合分析方法是煤礦安全管理的重要工具，有助于優(yōu)化安全策略和減少事故發(fā)生率。

3　文本挖掘支持下的煤礦安全風(fēng)險(xiǎn)評(píng)價(jià)分析

3.1　模型構(gòu)建

在煤礦安全風(fēng)險(xiǎn)評(píng)價(jià)的研究領(lǐng)域，構(gòu)建一個(gè)動(dòng)態(tài)的評(píng)價(jià)模型是至關(guān)重要的。這種模型應(yīng)對(duì)煤礦井下復(fù)雜多變的環(huán)境具有響應(yīng)能力，并能夠隨時(shí)調(diào)整風(fēng)險(xiǎn)評(píng)估以適應(yīng)環(huán)境變化。本節(jié)旨在描述如何利用大數(shù)據(jù)和實(shí)時(shí)安全數(shù)據(jù)，建立一個(gè)能夠動(dòng)態(tài)評(píng)估煤礦安全風(fēng)險(xiǎn)的模型。模型構(gòu)建分為兩個(gè)主要部分：（1）基于歷史事故數(shù)據(jù)和風(fēng)險(xiǎn)因素的綜合分析，建立關(guān)聯(lián)模型。這一步驟中，采用機(jī)器學(xué)習(xí)技術(shù)如決策樹、隨機(jī)森林或神經(jīng)網(wǎng)絡(luò)，從煤礦事故大數(shù)據(jù)中學(xué)習(xí)并識(shí)別出風(fēng)險(xiǎn)因素與事故發(fā)生之間的復(fù)雜關(guān)系。此關(guān)聯(lián)模型能夠揭示各種因素如何相互作用并導(dǎo)致安全事故，為后續(xù)的風(fēng)險(xiǎn)預(yù)警提供理論支持。（2）模型以煤礦實(shí)時(shí)收集的安全數(shù)據(jù)為輸入。這包括從監(jiān)控設(shè)備、傳感器和其他實(shí)時(shí)監(jiān)測(cè)系統(tǒng)收集的數(shù)據(jù)，如瓦斯?jié)舛?、溫度、濕度等關(guān)鍵安全指標(biāo)。實(shí)時(shí)數(shù)據(jù)輸入模型后，模型能夠即時(shí)評(píng)估當(dāng)前的安全狀況，并預(yù)測(cè)潛在的安全風(fēng)險(xiǎn)。

3.2　風(fēng)險(xiǎn)評(píng)價(jià)

煤礦安全風(fēng)險(xiǎn)評(píng)價(jià)是一個(gè)多維度的分析過程，涉及大量歷史數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù)的綜合處理。文本挖掘在這一過程中扮演了核心角色，通過從歷史事故報(bào)告中提取信息，建立風(fēng)險(xiǎn)數(shù)據(jù)庫(kù)，以及實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)的分析，實(shí)現(xiàn)對(duì)潛在風(fēng)險(xiǎn)的動(dòng)態(tài)評(píng)估。文本挖掘支持下的煤礦安全風(fēng)險(xiǎn)評(píng)價(jià)首先依賴于對(duì)歷史事故報(bào)告的分析。各項(xiàng)報(bào)告包含了關(guān)于事故原因、影響和結(jié)果的詳細(xì)描述，是識(shí)別和理解歷史風(fēng)險(xiǎn)因素的關(guān)鍵數(shù)據(jù)源。通過自然語(yǔ)言處理技術(shù)，將非結(jié)構(gòu)化文本轉(zhuǎn)換為結(jié)構(gòu)化數(shù)據(jù)，如風(fēng)險(xiǎn)因素的頻率、關(guān)聯(lián)模式等，為風(fēng)險(xiǎn)評(píng)估提供數(shù)據(jù)基礎(chǔ)。最新風(fēng)險(xiǎn)評(píng)價(jià)結(jié)果如表4所示。

表4 風(fēng)險(xiǎn)評(píng)價(jià)結(jié)果

4　結(jié)束語(yǔ)

本研究通過文本挖掘技術(shù)支持煤礦安全風(fēng)險(xiǎn)的識(shí)別與評(píng)價(jià)，分析了828份事故報(bào)告并建立了關(guān)聯(lián)模型，顯著提升了煤礦安全事故的預(yù)測(cè)與管理能力。我們成功實(shí)現(xiàn)了從非結(jié)構(gòu)化文本中提取關(guān)鍵風(fēng)險(xiǎn)因素，構(gòu)建了動(dòng)態(tài)的風(fēng)險(xiǎn)評(píng)估模型，并應(yīng)用實(shí)時(shí)數(shù)據(jù)進(jìn)行風(fēng)險(xiǎn)監(jiān)測(cè)。成果方面，本研究識(shí)別了主要風(fēng)險(xiǎn)因素，明確了各個(gè)參數(shù)之間的相互關(guān)系，并通過風(fēng)險(xiǎn)評(píng)估模型為礦區(qū)安全管理提供了定量化的決策支持。然而，研究也存在不足，包括數(shù)據(jù)依賴性強(qiáng)、模型泛化能力有限以及對(duì)實(shí)時(shí)數(shù)據(jù)處理的挑戰(zhàn)。未來工作將致力于優(yōu)化數(shù)據(jù)處理流程、提升模型的適應(yīng)性和準(zhǔn)確性，以更全面地應(yīng)對(duì)煤礦安全風(fēng)險(xiǎn)，確保礦工安全和礦區(qū)運(yùn)營(yíng)的持續(xù)穩(wěn)定。

作者簡(jiǎn)介：

許愛國(guó)（1977-），男，山西交口人，工程師，學(xué)士，現(xiàn)就職于山西離柳焦煤集團(tuán)有限公司，研究方向?yàn)槊禾块_采技術(shù)。

參考文獻(xiàn)：

[1] 趙美玲, 劉光偉, 付恩三. 基于多源數(shù)據(jù)的露天煤礦安全風(fēng)險(xiǎn)態(tài)勢(shì)評(píng)價(jià)研究[J]. 中國(guó)煤炭, 2023, 49 (7) : 67 - 73.

[2] 田曉紅, 何新衛(wèi). 基于大數(shù)據(jù)的煤礦安全風(fēng)險(xiǎn)智能評(píng)價(jià)和預(yù)警研究[J]. 微型電腦應(yīng)用, 2022, 38 (12) : 146 - 149.

[3] 余恩源, 張群祥. 農(nóng)產(chǎn)品質(zhì)量安全事件風(fēng)險(xiǎn)識(shí)別與分析—以鎘大米事件為例[J]. 河北科技師范學(xué)院學(xué)報(bào): 社會(huì)科學(xué)版, 2023, 22 (1) : 65 - 69.

[4] 王恩元, 馮小軍, 劉曉斐, 等. 煤礦瓦斯災(zāi)害風(fēng)險(xiǎn)隱患大數(shù)據(jù)監(jiān)測(cè)預(yù)警云平臺(tái)與應(yīng)用[J]. 煤炭科學(xué)技術(shù), 2022, 50 (1) : 9.

[5] 劉小杰, 翟瑀. 露天煤礦安全風(fēng)險(xiǎn)評(píng)估設(shè)計(jì)與實(shí)踐[J]. 露天采礦技術(shù), 2021, 36 (3) : 4.

[6] 劉賽紅, 黃馨鋒, 余意. 新型農(nóng)業(yè)經(jīng)營(yíng)主體生產(chǎn)性消費(fèi)金融風(fēng)險(xiǎn)識(shí)別—基于文本挖掘及問卷調(diào)查研究[J]. 系統(tǒng)工程, 2022, 40 (1) : 121 - 132.

[7] 于越, 孫會(huì)鵬, 賈玻, 等. 基于專家意見文本挖掘的技術(shù)風(fēng)險(xiǎn)識(shí)別研究[J]. 航天工業(yè)管理, 2022, (6) : 26 - 31.

[8] 趙銳, 劉婕, 周宇羽, 等. 基于環(huán)境輿情文本挖掘的大氣環(huán)境風(fēng)險(xiǎn)感知評(píng)價(jià)[J]. 環(huán)境工程, 2022, 40 (4) : 209 - 216.

[9] 周磊, 呂璐成, 穆克亮. 中美科技博弈背景下的卡脖子技術(shù)識(shí)別方法研究[J]. 情報(bào)雜志, 2023, 42 (8) : 69 - 76.

[10] 郭世杰, 陳芳, 韓濤, 等. 基于文本挖掘的中美技術(shù)差距分析—以空間技術(shù)領(lǐng)域?yàn)槔齕J]. 情報(bào)學(xué)報(bào), 2021, 40 (8) : 11.

摘自《自動(dòng)化博覽》2024年11月刊